唠嗑｜AI帮我省了时间，也帮我烧光了Token

AI帮我省了时间，也帮我烧光了Token

AI视频最神奇的地方，在于它总能用最认真的方式，把事情做得非常离谱。

比如输入一句朴素的指令：

“生成一个小猫做饭的视频。”

在人类世界里，这句话没有理解难度。小猫站在温暖的厨房里，用猫爪扒拉两下锅里的煎蛋，画面可爱、童话，动作笨拙但合理。

AI却会告诉你，事情没这么简单。

它生成了小猫、厨房和锅铲，也让小猫开始做饭。唯一的问题是，这只猫长出了一双人类的手。

你甚至很难说AI完全错了。你要小猫，它给了小猫；你要做饭，它也安排了做饭。它只是顺手解决了一个更底层的问题：小猫怎么拿锅铲？

答案是，给它安一双手。        

AI生成视频让人崩溃的地方就在这里。它不是完全听不懂，而是听懂了一半。小猫负责可爱，做饭负责动作。至于人手能不能长在猫身上，用户如果没写，它就可能自己补。

AI的补全能力有时像一个过度热心的实习生。它不会停下来问：“这只猫要用猫爪，还是需要五根手指？”它只会默默生成，然后把一只长着人手的小猫端到你面前。

用户只能深呼吸，开始补提示词：

不要人手。

不要人类手指。

保持猫爪。

不要半人半猫。

不要多余肢体。

不要把锅铲插进猫爪。

到这里，一个六个字就能说清的需求，变成了一份创意合同。用户不再像创作者，更像风险控制专员。每一个“不要”背后，往往都对应一次已经发生的事故。

问题还不止于此。

AI视频有一种近似抽卡的机制。同一句提示词，第一版小猫可爱，但是手坏了；第二版手正常了，锅飞了；第三版厨房质感不错，小猫的脸却像通宵了三天；第四版猫和锅终于都没问题，下一秒又多出一条胳膊。

于是用户进入一种熟悉的状态：

再来一次。

刚才那一版已经很接近了。眼神不错，光线也可以，只要手别那么像成年人就行。用户又点了一次生成。

然后Token没了。

更麻烦的是，修改未必让结果越来越好。第一次只是小猫长了人手；第二次强调不要人手，它可能直接不做饭；第三次要求做饭但不能有人手，锅铲开始悬浮；第四次要求猫爪握住锅铲，它又在猫爪和人手之间反复横跳。

你以为自己在修Bug，AI以为你在增加剧情。

这也是很多人使用AI视频后的感受：它确实快，但快得不稳定；它确实能生成，结果却总差一口气。

完全不能用，用户会直接放弃。差一点能用，用户就会想：是不是再加一句就好了？是不是换个词就好了？是不是再抽一次就好了？

差一点，才是最贵的。

笑完之后，小猫长出人手这件事，暴露了AI创作里的一个基础问题：模型不能稳定理解人类省略掉的常识。

人类说“小猫做饭”时，不会想到人手。我们知道猫的身体结构，也知道童话里的拟人化有边界。猫可以站起来、戴围裙、拿迷你锅铲，但它最好还是一只猫。

这些前提，人类不需要说出来。

AI可以识别“小猫”，也能识别“做饭”，却未必能处理好两者之间的关系。做饭这个动作，在大量图像和视频中都和人类手部绑定。模型需要完成翻炒动作时，便可能调用最常见的方案：一双能握住锅铲的手。

它知道猫长什么样，也知道做饭长什么样，却不一定知道猫该怎样以猫的身体结构做饭。

视频又比图片麻烦。

图片只要一个瞬间看起来正确。视频则要在几秒内保持主体、动作、道具和空间连续。第一帧出了错，错误还会沿着时间延续。猫开始有点像人，后面可能越来越像人；锅铲开始握得不对，下一秒便可能穿过爪子。

因此，AI视频真正的问题并非生成能力不足，而是可控性不够。

这也解释了为什么用户明明在使用一种效率工具，最后却觉得更累。

过去，视频创作的成本主要在拍摄、剪辑、绘制和建模。AI压低了部分执行成本，一句提示词就能迅速生成雏形。但成本没有消失，只是换了地方。

一部分转移到了提示词里。用户要把默认常识写出来，把主体结构、动作方式和禁止事项逐项说明。

一部分转移到了试错里。同一句提示词可能产生完全不同的结果，用户需要不断生成、筛选、比较和放弃。

还有一部分转移到了质检里。手指数量、物体穿模、动作漂移、镜头跳变和角色一致性，都要重新检查。

AI让人更快看到结果，也让人更快看到错误。它降低了制作门槛，同时抬高了控制门槛；省掉了一些执行劳动，又增加了提示词劳动、抽卡劳动和返工劳动。

很多人为了节省Token，会下意识地缩短指令。但在AI视频里，短指令省掉的往往不是钱，而是约束。

“小猫做饭”很便宜，却把所有关键判断都留给了模型。更可靠的提示词需要说明：保持猫科身体结构，使用猫爪操作尺寸合适的锅铲，不出现人类手指和多余肢体，动作轻微，镜头固定。

这段话更长，却可能比抽十次便宜。

真正贵的从来不是第一行提示词，而是为了纠正它付出的后续成本。气氛和风格可以少写，主体结构、动作边界和禁止事项却很难省。

复杂视频也不适合塞进一条提示词。一个镜头先解决一个动作，先保证小猫仍然是猫，再讨论光线、运镜和节奏。先低成本试方向，再锁定主体、扩展动作，最后检查不能出错的部分。

AI视频生产更接近“测试、筛选、修正、再生成”，而非输入一句话后坐等成片。

这多少有些讽刺。

AI出现时，人们以为它会让创作变简单。现在看，变简单的是生成，控制仍然很难。人确实少做了一部分执行工作，却被调到了提示词、质检和返工岗位。

那只长着人手的小猫，正好说明了这一点。

AI听懂的可能只是“小猫”和“做饭”。至于怎样让一只猫以猫的方式做饭，仍需要用户把常识翻译成约束。

否则，省下来的时间会花在抽卡里，省下来的Token会烧在返工里，省下来的人工成本，最后可能变成用户自己的精神成本。

最荒诞的是，AI生成失败时不会觉得不好意思。

不好意思的只有用户。

因为钱已经花了，Token已经烧了，小猫也已经长出手了。

（欢迎关注家电网微信jiadianwangHEA,点击阅读 家电网头条，最新家电、科技资讯，最专业的新闻资讯解读，我们期待与您分享交流）

(家电网® HEA.CN)